Quantum-HPC Framework with multi-GPU-Enabled Hybrid Quantum-Classical Workflow: Applications in Quantum Simulations

在量子系统上实现高性能计算是一个巨大的挑战，需要弥合量子硬件和经典计算资源之间的能力差距。本研究介绍了一种创新的分布感知量子-经典-量子（QCQ）架构，将先进的量子软件框架与高性能经典计算资源集成在一起，以解决材料和凝聚态物理学中的量子模拟挑战。该架构的核心是在 QPU 上运行 VQE 算法以进行高效的量子态准备、张量网络状态和 QCNN 用于在经典硬件上对量子态进行分类。 为了对量子模拟器进行基准测试，QCQ架构利用cuQuantum SDK来利用多GPU加速，集成了PennyLane的Lightning插件，相对于传统的基于CPU的方法，展示了高达十倍的计算速度提升，用于复杂相变分类任务。这种显着的加速使得像横场伊辛和XXZ系统这样的模型能够以99.5％的准确率准确预测相变。该架构将计算分配在 QPU 和经典资源之间的能力解决了量子-HPC中的关键瓶颈，为可扩展的量子模拟铺平了道路。 QCQ框架体现了量子算法、机器学习和量子-HPC能力的协同组合，增强了其在不同尺度下提供变革性见解的潜力。随着量子硬件的不断改进，这种混合分布感知框架将在实现量子计算的全部潜力方面发挥关键作用，通过将分布式量子资源与最先进的经典计算基础设施无缝集成。

论文旨在解决量子模拟中的高性能计算问题，探索量子硬件和经典计算资源之间的协同作用。这是否是一个新问题？

QCQ架构是一种分布式的量子-经典-量子架构，将VQE算法与Tensor Network状态和QCNNs相结合，利用cuQuantum SDK和PennyLane的Lightning插件实现了量子模拟器的基准测试，并通过将计算分布在QPUs和经典资源之间，解决了量子高性能计算中的瓶颈问题。

QCQ架构实现了量子算法、机器学习和量子高性能计算的协同作用，加速了复杂相变分类任务的计算速度，为可扩展的量子模拟铺平了道路。实验设计了基准测试，使用了cuQuantum SDK和PennyLane的Lightning插件，并取得了显著的成果。该架构的成功应用可以为量子计算的发展提供有力的支撑。

最近在这个领域中，还有一些相关的研究，例如：Quantum-Assisted Learning of Quantum States and Operators, Quantum Machine Learning, Quantum Computing for High-Dimensional Data Analysis等。